TensorFlow 1.2正式发布,新增Python 3.6支持
2017-06-16 15:55
946 查看
TensorFlow 1.2.0今日正式发布。
在Windows系统下新增对Python 3.6的支持。
新增函数tf.layers.conv3d_transpose,用于时空反卷积操作。
新增函数tf.Session.make_callable(),降低了多次运行类似操作的计算开销。
新增基于ibverbs的RDMA支持(远程直接数据存取)(由雅虎的junshi15贡献)。
RNNCell现在为tf.layers.layer的子类对象。严格来说,在tensorflow 1.1版本已经发布这个子类:第一次使用了RNNCell单元,缓存了其作用域。在接下来用到该rnncell单元时,可以重复使用同一作用域中的变量。在TensorFlow1.0.1版本及其以下中,这个关于RNNCells的调整是个突破性变化。在TensorFlow1.1版本中,已经确保先前代码能够按照新的语义正确运行;这个版本允许更灵活地使用RNNCell,但是TensorFlow版本低于1.0.1时,可能会报错。比如,写入:MultiRNNCell([lstm]
* 5),将会构建一个五层LSTM网络,每层共享相同的参数。想要得到一个各层具有不同参数的LSTM网络,要写入:MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不确定,先在TF 1.1中测试你的代码;确保没有报错后,再升级到TF 1.2。
TensorForest Estimator已经支持用于服务的SavedModel输出。
支持客户端提供的ClusterSpec’s,分配给所有工作者,确保能创建动态更新的TensorFlow集群。
TensorFlow C语言库新增对Windows系统的支持。
发布了一个新版的开源TensorBoard。
在SavedModel中,SavedModel CLI工具可用来检查和执行SavedModel。
TensorFlow的安卓版本已经被推送到jcenter上,用户能更容易地部署到应用程序中。更多细节请访问:
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/readme.md
已经重命名RNNCells的变量名称,与Keras层保持一致。具体来说,先前的变量名“weights”和“biases”分别更新为“kernel”与“bias”。如果你原来的checkpoints中含有这样的RNN单元,这可能导致传播过程中的不兼容性,则可以使用checkpoint_convert scrip工具更改原有checkpoints中的变量名。
在TensorFlow1.0版本之前,许多RNN函数和子类都定义在tf.nn命名空间里,现在已经被移回核心空间。这里包括了RNNCell,LSTMCell,GRUCell和一些其他单元,如今存放在tf.nn.rnn_cell函数中(先前的tf.contrib.rnn函数向后兼容)。先前的tf.nn.rnn函数更名为tf.nn.static_rnn,双向静态和状态存储静态rnn函数也被放回tf.nn命名空间中。
还有一个需注意的例外是,EmbeddingWrapper,InputProjectionWrapper和OutputProjectionWrapper,这三者将会慢慢被移动到tf.contrib.rnn的弃用函数中。在rnn网络的预处理和后期处理阶段,应该替换掉一些低效率的包装函数,使用embedding_lookup或layers.dense进行替换。在RNN解码过程中,这一功能已经一个可用的API tf.contrib.seq2seq所取代。
英特尔MKL集成(https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture)。英特尔开发了一系已经优化过的深度学习基元:除了矩阵乘法和卷积外,还包括以下模块:(1).直接批量卷积;(2).池化操作:最大化,最小化,平均化;(3).标准化:LRN,批归一化;(4).激活函数:线性整流单元(ReLU);(5).数据处理:多维移项(转换),分解,合并,相加和降维。
另外需要特别注意的是,TensorFlow 1.2可能是租后一次使用CuDNN 5.1构建。后续版本TensorFlow 1.3应该会基于CuDNN 6.0,但会尽量兼容CuDNN 5.1。
更多详情,可以访问如下地址查看:
https://github.com/tensorflow/tensorflow/releases/tag/v1.2.0
主要功能和改进点:
在Windows系统下新增对Python 3.6的支持。新增函数tf.layers.conv3d_transpose,用于时空反卷积操作。
新增函数tf.Session.make_callable(),降低了多次运行类似操作的计算开销。
新增基于ibverbs的RDMA支持(远程直接数据存取)(由雅虎的junshi15贡献)。
RNNCell现在为tf.layers.layer的子类对象。严格来说,在tensorflow 1.1版本已经发布这个子类:第一次使用了RNNCell单元,缓存了其作用域。在接下来用到该rnncell单元时,可以重复使用同一作用域中的变量。在TensorFlow1.0.1版本及其以下中,这个关于RNNCells的调整是个突破性变化。在TensorFlow1.1版本中,已经确保先前代码能够按照新的语义正确运行;这个版本允许更灵活地使用RNNCell,但是TensorFlow版本低于1.0.1时,可能会报错。比如,写入:MultiRNNCell([lstm]
* 5),将会构建一个五层LSTM网络,每层共享相同的参数。想要得到一个各层具有不同参数的LSTM网络,要写入:MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不确定,先在TF 1.1中测试你的代码;确保没有报错后,再升级到TF 1.2。
TensorForest Estimator已经支持用于服务的SavedModel输出。
支持客户端提供的ClusterSpec’s,分配给所有工作者,确保能创建动态更新的TensorFlow集群。
TensorFlow C语言库新增对Windows系统的支持。
发布了一个新版的开源TensorBoard。
在SavedModel中,SavedModel CLI工具可用来检查和执行SavedModel。
TensorFlow的安卓版本已经被推送到jcenter上,用户能更容易地部署到应用程序中。更多细节请访问:
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/readme.md
已经重命名RNNCells的变量名称,与Keras层保持一致。具体来说,先前的变量名“weights”和“biases”分别更新为“kernel”与“bias”。如果你原来的checkpoints中含有这样的RNN单元,这可能导致传播过程中的不兼容性,则可以使用checkpoint_convert scrip工具更改原有checkpoints中的变量名。
在TensorFlow1.0版本之前,许多RNN函数和子类都定义在tf.nn命名空间里,现在已经被移回核心空间。这里包括了RNNCell,LSTMCell,GRUCell和一些其他单元,如今存放在tf.nn.rnn_cell函数中(先前的tf.contrib.rnn函数向后兼容)。先前的tf.nn.rnn函数更名为tf.nn.static_rnn,双向静态和状态存储静态rnn函数也被放回tf.nn命名空间中。
还有一个需注意的例外是,EmbeddingWrapper,InputProjectionWrapper和OutputProjectionWrapper,这三者将会慢慢被移动到tf.contrib.rnn的弃用函数中。在rnn网络的预处理和后期处理阶段,应该替换掉一些低效率的包装函数,使用embedding_lookup或layers.dense进行替换。在RNN解码过程中,这一功能已经一个可用的API tf.contrib.seq2seq所取代。
英特尔MKL集成(https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture)。英特尔开发了一系已经优化过的深度学习基元:除了矩阵乘法和卷积外,还包括以下模块:(1).直接批量卷积;(2).池化操作:最大化,最小化,平均化;(3).标准化:LRN,批归一化;(4).激活函数:线性整流单元(ReLU);(5).数据处理:多维移项(转换),分解,合并,相加和降维。
另外需要特别注意的是,TensorFlow 1.2可能是租后一次使用CuDNN 5.1构建。后续版本TensorFlow 1.3应该会基于CuDNN 6.0,但会尽量兼容CuDNN 5.1。
更多详情,可以访问如下地址查看:
https://github.com/tensorflow/tensorflow/releases/tag/v1.2.0
相关文章推荐
- 宣布正式发布 Windows Azure Notification Hub,新增 SQL Server AlwaysOn 可用性组侦听器支持
- Win10 安装 Anaconda3 用 Anaconda3 安装TensorFlow 1.2 (只支持python3.5)
- DataUml Design 介绍8-DataUML 1.2版本正式发布(支持SQLite数据库、NetUML开发框架)
- OVM-V1.2正式发布,新增实时 3ff8 监控功能,支持一键升级
- 宣布正式发布 Windows Azure Notification Hub,新增 SQL Server AlwaysOn 可用性组侦听器支持
- TensorFlow 1.2.0新版本完美支持Python3.6,windows在cmd中输入pip install tensorflow就能下载应用最新tensorflow
- 阿里云PyODPS 0.7.18发布,针对聚合函数进行优化同时新增对Python 3.7支持
- 宣布正式发布 Windows Azure Notification Hub,新增 SQL Server AlwaysOn 可用性组侦听器支持
- DataUml Design 介绍8-DataUML 1.2版本正式发布(支持SQLite数据库、NetUML开发框架)
- 宣布正式发布 Windows Azure Notification Hub,新增 SQL Server AlwaysOn 可用性组侦听器支持
- 微软正式发布支持VS2008的Enterprise Library 4.0
- Web自动化测试工具Selenium 1.0正式发布:Chrome支持+用户指南
- Firefox 火狐 3.6 正式发布
- Eclipse 4 M2 正式发布,支持XWT
- 向日葵甘特图组件1.2版正式发布
- Android及JavaSE游戏引擎LGame-0.2.9发布(新增物理引擎支持)
- JavaFX 1.2 SDK 发布,增加 Linux 及 OpenSolaris 支持
- JavaFX 1.2 SDK 发布,增加 Linux 及 OpenSolaris 支持
- Orx 1.2正式发布
- NUnit v2.2 正式发布,已经正式支持.net v2.0了